Yapay zeka uzmanlığı olmadan kamera tabanlı bir görü denetim sistemi kur

Kullandığımız telefon, paketlenmiş ürün veya araba parçası gibi her ürün, nihai tüketici olan bizlere ulaşmadan önce bir tür kalite denetiminden geçer. Bu işlem geleneksel olarak manuel kontroller veya basit kural tabanlı sistemlerle yapılmıştır. Bu yöntemler işe yarasa da genellikle yavaştır, tutarsızdır ve üretim arttıkça ölçeklenmesi zordur.

Kalite denetim sürecini iyileştirmek için birçok endüstri, makinelerin görüntüleri ve videoları anlamasına yardımcı olan bir yapay zeka dalı olan bilgisayarlı görüye yöneliyor. Örneğin, Ultralytics YOLO26 gibi görü yapay zeka modelleri, kusurları yüksek doğruluk seviyesiyle tespit etmeye, sınıflandırmaya ve konumlandırmaya yardımcı olabilir.

Gerçek üretim ortamlarında bu modeller, doğrudan yüksek hızlı montaj hatlarından yakalanan görüntüleri analiz etmek için kullanılabilir. Ürünler farklı aşamalardan geçerken endüstriyel kameralar onları takip eder ve sistem; çizikler, eksik parçalar veya yanlış hizalama gibi sorunları kontrol eder. Bu, kusur tespitini daha hızlı ve daha tutarlı hale getirirken yüksek verimli denetimi destekler.

Geçmişte bu sistemleri kurmak birden fazla araç ve güçlü teknik uzmanlık gerektiriyordu, bu da süreci karmaşık ve zaman alıcı kılıyordu. Bilgisayarlı görü için yeni uçtan uca çözümümüz olan Ultralytics Platform, veri hazırlama, etiketleme, model eğitimi ve dağıtımı tek bir yerde toplayarak bunu basitleştiriyor.

Bu makalede, derin yapay zeka uzmanlığına ihtiyaç duymadan pratik, kamera tabanlı görüntü denetim sistemleri oluşturmak için Ultralytics Platform'u nasıl kullanabileceğini keşfedeceğiz. Haydi başlayalım!

Link to this sectionKalite kontrolde bilgisayarlı görünün rolü#

Ultralytics Platform'un denetim sistemleri kurmayı nasıl kolaylaştırdığına dalmadan önce, bir adım geri çekilip bilgisayarlı görünün kalite denetimindeki rolünü anlayalım.

Denetim, ürünlerin kalite standartlarını karşıladığından ve kusursuz olduğundan emin olan üretim sürecinin önemli bir parçasıdır. Ancak, özellikle uzun vardiyalar veya yüksek hacimli üretim sırasında sonuçlar değişkenlik gösterebilir.

Denetimi daha güvenilir hale getirmek için birçok endüstri, üretim hattından gelen görüntüleri analiz etmek ve kusurları belirlemek için makine görüsü olarak da bilinen bilgisayarlı görüyü kullanır. Bu sistemler, modellerin ve algoritmaların büyük miktarda yüksek kaliteli etiketli görüntü setinden desenleri öğrendiği derin öğrenmeyi kullanır.

Model eğitimi sırasında, modele hem normal ürünlerin hem de farklı kusur türlerinin örnekleri gösterilir. Zamanla, bu desenleri kendi başına tanımayı öğrenir. Eğitildikten sonra bir model, büyük hacimli ürünleri denetleyebilir ve aynı kriterleri tutarlı bir şekilde uygulayarak doğruluğu artırabilir.

Link to this sectionKalite denetiminde kullanılan yaygın bilgisayarlı görü görevleri#

Makine görüsü uygulamaları, farklı görü görevlerini destekleyebilen Ultralytics YOLO modelleri gibi bilgisayarlı görü modelleri ile mümkün olur. İşte bu görü yapay zeka görevlerinin otomatik denetim iş akışları için nasıl kullanıldığına dair bir genel bakış:

• Görüntü sınıflandırma: Bu görev, tüm görüntüye "iyi" veya "kusurlu" gibi tek bir etiket atamak için kullanılır. Kusurların konumunu belirtmeden ürün kalitesinin üst düzey bir değerlendirmesini sağlar.
• Nesne tespiti: Bir görüntü içindeki kusurları tanımlamaya ve bunları sınırlayıcı kutular (bounding box) kullanarak konumlandırmaya yardımcı olur. Bu, çatlak, çizik veya eksik bileşenler gibi sorunları tespit etmeyi ve yerini belirlemeyi mümkün kılar.
• Örnek bölümleme (Instance segmentation): Nesne tespitinin bir adım ötesine geçerek, tespit edilen her kusur için piksel düzeyinde maskeler tahmin eder. Bu, kusurların şekli, boyutu ve sınırlarının hassas bir şekilde analiz edilmesini destekler.
• Nesne takibi: Ürünleri birden fazla kare boyunca izlerken, üretim hattında hareket ettikçe öğeleri takip eder. Bu, tutarlılığı korur ve kusurların gözden kaçırılmamasını sağlar.
• Yönelimli sınırlayıcı kutu (OBB) tespiti: Bu görev, nesneleri eksene hizalı olanlar yerine döndürülmüş sınırlayıcı kutular kullanarak tespit eder. Kusurlar veya bileşenler farklı açılarda göründüğünde, daha hassas konumlandırma sağladığı için özellikle yararlıdır.

Link to this sectionEndüstriler genelinde kalite denetimi uygulamalarına bir bakış#

Bilgisayarlı görü, ürün kalitesini korumak, standartları karşılamak ve manuel denetim ihtiyacını azaltmak için endüstriler genelinde yaygın olarak kullanılır. Kusur tespiti, sınıflandırma, nesne tanıma, ölçüm ve anomali tespiti gibi temel işlevleri yerine getirir.

Şekil 1. Makine görüsü sistemlerini kullanarak ürünleri tespit etme ve takip etme örneği (Kaynak)

İşte uygulandığı gerçek dünya kullanım örneklerinden bazıları:

• Üretim: Yüzey kusuru tespiti, hat içi kusur tespiti için üretim hattındaki ürünlerin görüntülerini analiz ederek çizik, göçük, çatlak ve renk solması gibi sorunları tanımlamak için kullanılır. Ayrıca eksik parçaları veya montaj hatalarını gerçek zamanlı olarak tespit edebilir ve sürekli denetimi destekler.
• Otomotiv: Bilgisayarlı görü sistemleri, hizalamayı doğrulamak ve hasarı tespit etmek için motor parçalarını ve gövde panellerini analiz eder. Özellikle karmaşık şekilleri ve ulaşılması zor alanları denetlemek için etkilidirler; hassas konumlandırma ve otomatik denetim için genellikle robotik sistemlerle birlikte çalışırlar.
• Elektronik ve yarı iletkenler: Bu sistemler, lehimleme sorunları, mikro çatlaklar ve hasarlı devreler dahil olmak üzere baskılı devre kartları (PCB) gibi bileşenlerdeki küçük kusurları tespit eder. Yüksek çözünürlüklü görüntü analizi ile, manuel denetim sırasında gözden kaçan çok ince kusurlar bile tespit edilebilir.
• Paketleme ve lojistik: Görsel sistemler barkod tarama gerçekleştirir, ürün etiketlerini okur ve paketleme kalitesini kontrol eder. Ürünlerin düzgün şekilde paketlendiğinden, mühürlendiğinden ve gönderime hazır olduğundan emin olarak hataları azaltırlar.
• Gıda ve içecek: Görü kameraları veya görü sensörleri ile desteklenen denetim sistemleri, ürün görünümünü analiz ederek uygun olmayan mühürleme, kontaminasyon riskleri, yanlış etiketleme veya görsel tutarsızlıklar gibi sorunları tanımlar ve kalite ile güvenliği korumaya yardımcı olur.
• İlaç sektörü: Bilgisayarlı görü, tabletleri, şişeleri ve ambalajları çatlak, kontaminasyon, yanlış etiketleme veya dolum seviyesi tutarsızlıkları gibi kusurlar açısından denetlemek için kullanılır; böylece katı yasal standartlara uyum sağlanır ve ürün güvenliği korunur.

Link to this sectionUltralytics Platform ile görsel denetim iş akışlarını kolaylaştırma#

Ürünlerin farklı aşamalardan geçtiği ve kameraların denetim için sürekli görüntü yakaladığı bir üretim hattı düşün. Bu görüntüler çizikler, eksik parçalar veya yanlış hizalama gibi kusurları kontrol etmek için kullanılır.

Şimdiye kadar, bu tür denetim sistemlerini kurmak ve yönetmek birden fazla araç ve makul miktarda teknik uzmanlık gerektiriyordu.

Aslında Ultralytics'te, görü yapay zeka topluluğundan bu sürecin ne kadar parçalı ve zaman alıcı olabileceğine dair tutarlı geri bildirimler alıyoruz; dağınık araçlar, karmaşık ortam kurulumu, verimsiz veri etiketleme iş akışları, model eğitimindeki gecikmeler ve dağıtımdaki zorluklar yaygın darboğazlar arasındadır. Bu geri bildirimler, Ultralytics Platform'un şekillenmesinde kilit bir rol oynadı.

Şekil 2. Ultralytics Platform'a bir bakış (Kaynak)

Ultralytics Platform ile tüm geliştirme ve dağıtım süreci tek bir yerden yönetilebilir. Ham veriler yüklenebilir ve eğitim veri setleri oluşturmak için etiketlenebilir; bunlar daha sonra kusurları tespit etmek üzere modelleri eğitmek için kullanılır. Eğitildikten sonra bu modeller, üretim hattından gelen yeni görüntüleri analiz etmek için dağıtılabilir ve performanslarını zaman içinde izlemek için yerleşik araçlar sunar.

Tüm iş akışını tek bir yerde toplamanın yanı sıra, Ultralytics Platform kullanım kolaylığı için tasarlanmıştır. Sınırlı makine öğrenimi deneyimine sahip kullanıcılar bile fikir aşamasından üretime hızla geçebilir.

Link to this sectionGörüntülerdeki kusurları etiketlemek için Ultralytics Platform'u kullanma#

Artık Ultralytics Platform'un iş akışını nasıl bir araya getirdiğini gördüğümüze göre, veri yükleme ve kusur etiketlemeden başlayarak görü yapay zeka hattının her aşamasında nasıl kullanılacağına bakalım.

Link to this sectionUltralytics Platform üzerinde denetim veri seti yönetimi#

İlk adım, veriyi platforma aktarmaktır. ZIP, TAR veya GZ dosyaları gibi görüntüler, videolar veya veri seti arşivleri yükleyebilirsin. YOLO ve COCO gibi yaygın veri seti formatları desteklendiğinden, mevcut veri setleri ekstra adımlar olmadan içe aktarılabilir.

Ayrıca topluluk tarafından paylaşılan veri setlerini kullanarak daha hızlı başlayabilirsin. Bu veri setleri keşfedilebilir ve çalışma alanına klonlanabilir, böylece sıfırdan başlamak yerine mevcut veriler üzerinde geliştirme yapabilirsin. Klonlandıktan sonra, kendi özel kullanım durumun için güncellenebilir ve genişletilebilirler.

Çeşitli deneyler üzerinde çalışıyorsan, veri setleri NDJSON dosyaları olarak içe aktarılarak yeniden kullanılabilir; bu, ek dönüşüm olmadan onları yeniden oluşturmayı veya paylaşmayı kolaylaştırır.

Veri yüklendikten sonra platform onu otomatik olarak hazırlar. Dosya formatlarını kontrol eder, ek açıklamaları işler, gerekirse görüntüleri yeniden boyutlandırır ve temel veri seti istatistiklerini oluşturur. Videolar eğitimde kullanılabilmeleri için karelere bölünür ve görüntüler daha kolay tarama ve analiz için optimize edilir.

Link to this sectionUltralytics Platform destekli veri etiketleme#

Veri hazır olduğunda, bir sonraki adım veri etiketlemedir. Burası, modelin neyi tespit edeceğini öğrenebilmesi için kusurların etiketlendiği yerdir. Ultralytics Platform, nesne tespiti, örnek bölümleme, görüntü sınıflandırma, poz tahmini ve yönelimli sınırlayıcı kutu tespiti gibi görevleri destekleyen yerleşik bir etiketleme düzenleyici içerir.

Kullanım durumuna bağlı olarak sınırlayıcı kutular, çokgenler veya anahtar noktalar gibi araçları kullanarak verileri manuel olarak etiketleyebilirsin. İşleri hızlandırmak için platform ayrıca yapay zeka destekli etiketleme sunar.

Örneğin, SAM tabanlı akıllı etiketleme, basit tıklamalarla nesneleri etiketlemene olanak tanır. Dahil edilecek veya hariç tutulacak bölgeleri seçerek, sistem gerçek zamanlı olarak bir maske oluşturur ve bu maske gerekirse ayarlanabilir.

Şekil 3. Ultralytics Platform içinde SAM destekli akıllı etiketleme (Kaynak)

Buna ek olarak, YOLO tabanlı akıllı etiketleme, model tahminlerini kullanarak otomatik olarak etiketler oluşturabilir. Bunlar gözden geçirilebilir ve iyileştirilebilir; böylece her şeyi manuel olarak etiketlemeden büyük veri setlerinde çalışmak daha kolay hale gelir.

Etiketleme düzenleyici ayrıca sınıf yönetimi, etiket düzenleme, klavye kısayolları ve geri al veya yinele seçenekleri gibi özellikler içerir. Bunlar, veri setin büyüdükçe tutarlı kalmanı ve etiketleri gözden geçirmeni kolaylaştırır.

Verileri etiketlerken platform, sınıf dağılımı ve etiket sayıları gibi içgörüler sağlar. Bu, eğitim aşamasına geçmeden önce boşlukları belirlemene, tutarsızlıkları gidermene ve veri seti kalitesini artırmana yardımcı olur.

Link to this sectionUltralytics Platform'da kusur tespiti için YOLO26 eğitimi#

Bir sonraki adım, etiketli verileri kullanarak kusurları otomatik olarak tespit etmek için bir model eğitmektir. Ultralytics Platform, nesne tespiti, örnek bölümleme ve görüntü sınıflandırma gibi görevler için kullanılabilen YOLO26 dahil olmak üzere Ultralytics YOLO modelleri ile eğitimi destekler.

Eğitim, eğitim işlerini tek bir yerden yapılandırabileceğin, çalıştırabileceğin ve izleyebileceğin birleşik bir kontrol paneli aracılığıyla yönetilir. Başlamak için, yüklediğin, platformda etiketlediğin, platformda mevcut olan herkese açık veri setlerinden aldığın veya topluluktan klonladığın bir veri setini seçebilirsin.

Seçildikten sonra veri seti, eğitim çalışmasına otomatik olarak bağlanır, bu da deneyleri takip etmeyi ve tutarlılığı korumayı kolaylaştırır.

Ardından, epoch sayısı, yığın boyutu (batch size), görüntü boyutu ve öğrenme oranı gibi eğitim parametrelerini yapılandırabilirsin. Bu ayarlar, modelin nasıl öğreneceğini kontrol eder ve hem eğitim süresini hem de performansı doğrudan etkiler.

Link to this sectionEğitimi çalıştırma ve izleme#

Ardından eğitimi nasıl çalıştıracağını seçebilirsin. Platform, yönetilen GPU'larda bulut eğitimi, kendi donanımını kullanarak yerel eğitim ve Google Colab gibi ortamlar aracılığıyla tarayıcı tabanlı iş akışlarını destekler.

Bulut eğitimini kullanırken, daha küçük deneyler için RTX 2000 Ada ve RTX A4500, daha zorlu iş yükleri için RTX 4090 veya RTX A6000 ve büyük ölçekli eğitim için A100 veya H100 gibi yüksek performanslı seçenekler dahil olmak üzere bir dizi GPU seçeneğinden seçim yapabilirsin.

Eğitim başladığında, ilerleme doğrudan platform içinde izlenebilir. Kontrol paneli, kayıp eğrileri ve performans metrikleri gibi temel metriklerin yanı sıra sistem kullanımı ve eğitim günlükleri hakkında gerçek zamanlı görünürlük sağlar. Bu, modelin nasıl öğrendiğini anlamayı ve olası sorunları erkenden tespit etmeyi sorunsuz hale getirir.

Şekil 4. Ultralytics Platform'u kullanarak eğitim ilerlemesini kolayca izleyebilirsin (Kaynak)

Birden fazla deney çalıştırırken, platform yapılandırmaları, veri setlerini ve sonuçları tek bir yerde takip eder. Bu, farklı eğitim çalışmalarını karşılaştırmayı, hassasiyet (precision), geri çağırma (recall) ve mAP gibi metrikleri kullanarak performansı değerlendirmeyi ve dağıtım için en iyi performansı gösteren modeli seçmeyi kolaylaştırır.

Link to this sectionUltralytics Platform aracılığıyla bir görü modeli dağıtma#

Eğitimden sonra, bir sonraki adım dağıtıma geçmeden önce eğitilmiş modelin yeni, görülmemiş verilerde nasıl performans gösterdiğini doğrulamaktır. Ultralytics Platform, modelleri herhangi bir kurulum gerektirmeden doğrudan tarayıcıda test etmene olanak tanıyan yerleşik bir Predict (Tahmin) sekmesi içerir.

Görüntüleri yükleyebilir, örnek verileri kullanabilir veya web kamerası aracılığıyla girişleri yakalayabilirsin; sonuçlar görsel kaplamalar ve güven puanları ile anında görünür. Bu, modeli gerçek dünya sistemlerine entegre etmeden önce model performansını hızlıca kontrol edebileceğin ve olası sorunları belirleyebileceğin anlamına gelir.

Model doğrulandıktan sonra, kullanım durumuna bağlı olarak farklı seçenekler kullanılarak dağıtılabilir. İşte Ultralytics Platform tarafından desteklenen model dağıtım seçeneklerine daha yakından bir bakış:

• Paylaşımlı çıkarım (Shared inference): Bu seçenek, modele bir REST API aracılığıyla erişmeni sağlayarak uygulamalara veya iş akışlarına entegrasyonu kolaylaştırır. İsteklerin otomatik olarak en yakın mevcut hizmete yönlendirildiği birkaç temel bölgede çok kiracılı (multi-tenant) bir sistem üzerinde çalışır. Bu, geliştirmeye, teste ve üretime geçmeden önce daha hafif kullanıma uygundur.
• Adanmış uç noktalar (Dedicated endpoints): Üretim kullanımı için modeller, kendi hesaplama kaynaklarına sahip adanmış uç noktalar olarak dağıtılabilir. Bunlar, 43 küresel bölgede tek kiracılı hizmetler olarak çalışır ve son kullanıcılara daha yakın dağıtım yaparak gecikmeyi azaltmaya yardımcı olur. Ayrıca otomatik ölçeklendirmeyi ve sıfıra ölçeklemeyi destekleyerek kaynakların trafiğe göre otomatik olarak ayarlanmasına olanak tanır.
• Model dışa aktarma (Model export): Modeller, platformun dışında yerel sistemlerde veya uç cihazlarda çalıştırılmak üzere dışa aktarılabilir. Platform, ONNX, TensorRT, OpenVINO, CoreML ve TensorFlow Lite dahil olmak üzere 17 formatı destekler. Dışa aktarma seçenekleri, model boyutunu küçültmek ve farklı donanım ortamları için çıkarım hızını artırmak adına FP16 ve INT8 kuantizasyon gibi optimizasyonları da destekler.

Link to this sectionUltralytics Platform kullanarak dağıtılan modelleri izleme#

Bir görüntü işleme veya bilgisayarlı görü çözümünün yaşam döngüsü model dağıtımıyla sona ermez. Bu, görüntü denetim sistemleri için de geçerlidir. Bir model üretimde çalıştığında, koşullar değiştikçe güvenilir bir şekilde performans gösterdiğinden emin olmak için sürekli olarak izlenmesi gerekir.

Ultralytics Platform, dağıtılan modellerin nasıl performans gösterdiğine dair net bir görünüm sağlayan yerleşik bir izleme kontrol paneli sunar. Tek bir arayüzden, istek etkinliğini takip edebilir, günlükleri görüntüleyebilir ve her dağıtımın sağlık durumunu kontrol edebilirsin. Modellerin nasıl kullanıldığını ve zaman içinde nasıl davrandığını anlayabilirsin.

Kontrol paneli, performans ve yanıt verebilirliği değerlendirmene yardımcı olan toplam istekler, hata oranları ve gecikme gibi temel metrikleri içerir. Bu metrikler düzenli olarak güncellenir ve hem kullanım modelleri hem de sistem güvenilirliği hakkında içgörüler sağlar.

Yerleşik bir dünya haritası, isteklerin ve dağıtımların bölgeler arasında nasıl dağıldığını gösterir. Birden fazla küresel konumda dağıtım desteği ile bu görünüm, kullanımı coğrafi olarak takip etmeye ve modellerin farklı ortamlarda nasıl performans gösterdiğini anlamaya yardımcı olur.

Şekil 5. Ultralytics Platform'da dağıtılan modelleri izleme (Kaynak)

Daha derin analiz için, her dağıtım; zaman damgaları, istek ayrıntıları ve hata mesajları içeren ayrıntılı günlükler içerir. Günlükler önem derecesine göre filtrelenebilir, bu da sorunları ayıklamayı ve hataları hızlıca tanımlamayı kolaylaştırır. Ayrıca, sağlık kontrolleri, bir dağıtımın beklendiği gibi çalışıp çalışmadığını veya dikkat gerektirip gerektirmediğini gösteren gerçek zamanlı durum göstergeleri sunar.

İzleme, optimizasyonda da önemli bir rol oynar. Giriş verileri, trafik veya kullanım modelleri değiştikçe performans farklılık gösterebilir. Metrikleri ve günlükleri takip ederek yüksek gecikme süresi, artan hata oranları veya ölçekleme sınırlamaları gibi sorunları tanımlayabilir ve tutarlı performansı korumak için harekete geçebilirsin.

Link to this sectionGörü çözümleri oluşturmak için Ultralytics Platform'u kullanmanın faydaları#

Görü denetim sistemleri kurmak ve ölçeklemek için Ultralytics Platform'u kullanmanın temel avantajlarından bazıları şunlardır:

• Gerçek dünya kullanımı için optimize edilmiştir: Otomatik ölçeklenen uç noktalar, uç dağıtım (edge deployment) ve model dışa aktarma gibi özellikler, sistemin üretim ortamlarında güvenilir bir şekilde çalışabilmesini sağlar.
• Daha hızlı geliştirme döngüleri: Yerleşik araçlar ve varsayılan yapılandırmalar, ham veriden çalışan bir sisteme daha verimli bir şekilde geçmeye yardımcı olur.
• Kullanım kolaylığı: Sezgisel arayüzler, kolaylaştırılmış iş akışları ve minimum kurulum gereksinimleri, platformu hem yeni başlayanlar hem de deneyimli kullanıcılar için erişilebilir kılar.
• Daha az manuel iş: Yapay zeka destekli etiketleme ve otomatik veri işleme gibi özellikler, tekrarlayan görevlere harcanan süreyi azaltır.
• Zamanla ölçeklenebilir: Gereksinimler değiştikçe sistem, yeni veriler eklenerek ve modeller yeniden eğitilerek güncellenebilir; bu da yeni kusur türlerine, koşullara ve çoklu kamera kurulumlarına uyum sağlamayı mümkün kılar.

Link to this sectionÖne çıkanlar#

Kamera tabanlı bir görüntü denetim sistemi oluşturmak karmaşık olmak zorunda değildir veya derin bir yapay zeka uzmanlığı gerektirmez. Ultralytics Platform ile ham veriden çalışan bir sisteme geçebilir ve performansını tek bir yerden izleyebilirsin. Bu, denetim sistemlerinin gerçek dünya ortamlarında nasıl oluşturulduğunu, iyileştirildiğini ve çalıştırıldığını kolaylaştırır.

Topluluğumuza katıl ve bilgisayarlı görü hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Bilgisayarlı görü projelerine başlamak için lisanslama seçeneklerimize göz at. Üretimde yapay zeka veya otomotiv endüstrisinde bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.